基于计算机视觉的管路振动感知算法

为解决电厂生产区域中管路振动超出正常范围未能及时预警而导致管路破损或连接法兰、阀门处出现工质泄漏的问题,提出了一种基于计算机视觉的管路振动感知算法,首先采用卷积神经网络估计待测管路的光流信息,然后通过分析光流信息检测出管路是否振动,接着通过振动测量模块对监测画面中检测出振动的管路目标的振动频率和振幅进行测量,从而实现对管路振动的感知.在电厂原有摄像头拍摄的振动管路数据上进行了实验,测试结果表明本文方法的速度约为4 f/s,振动频率的测量误差小于0.08.为计算机视觉技术在不改变电厂原有硬件装置的情况下实现实时管路振动检测和测量任务提供了新的思路.     

中国名人人脸数据集

为快速构建大尺度、高质量中国人脸识别数据集,本文提出一种半自动构建方法.相较于现有的数据集构建方法,该方法可以快速地构建大尺度中国名人人脸数据集,将此数据集命名为CCFace(Chinese Celebrities Face).CCFace数据集包含431个人物,506874张人脸图像,平均每个人物包含1176张不同年龄、姿态的图像,该构建方法在一定程度上解决了当前社区中可用的中国人人脸图像数据集短缺问题.在实验部分中以多个模型测试该数据集的有效性,表明其可以作为SOTA(State Of The Art)模型的训练集使用,相信这种方法以及该数据集将引来更多的人来从事人脸识别的研究工作,并促进国内人脸识别应用的发展.     

图像3D轮廓提取

针对现有3D轮廓提取方法计算量大、图像立体匹配难、图片中含有大量噪音的问题,提出了一种利用早期认知视觉系统提取图像3D轮廓的方法。早期认知视觉是连接早期视觉和认知视觉的中间平台,通过早期认知视觉系统提取出图像的2D基元,2D基元是图片小块,有丰富的语义信息包括位置,方向,相位和三色值;再由两个立体图像的相一致的2D基元配对来构建3D基元,通过3D基元的共面性和共色性得到图像的3D轮廓。在Ubuntu10.04下,通过输入立体图片对,对这种方法进行了实验,实验结果表明图像的3D轮廓能完好地提取出来,有效地保留图像的必要信息并具有强抗噪性。     

基于FCM聚类和卷积神经网络的跌倒识别算法

为了提高传统跌倒检测系统的识别准确度和运算速度,减小误报率和漏报率,本文提出了一种基于模糊C均值（Fuzzy C-means, FCM）聚类算法和卷积神经网络算法的实时跌倒检测算法。该算法以深度视觉传感器为数据获取源,提取聚类中心点速度、高度、加速度以及夹角为跌倒识别特征向量,采用阈值分析和机器算法相结合的方式实现人体跌倒识别。实验表明,该算法的识别精度达到99%,运算速度为0.178 s,相对于传统算法具有更高的识别精度和运算速度。     

基于联邦滤波的室内多传感器融合导航定位方法研究

针对室内多传感器融合导航定位问题,提出一种基于联邦滤波的INS/3D LASER/单目视觉融合的室内导航定位方法.该方法是通过联邦滤波将INS分别同3D LASER与单目视觉构成子滤波器,主滤波器根据最小方差准则,利用最优系数加权法融合各子滤波器的最优估计,从而获得全局最优融合结果.实验证明,该方法能有效提高室内导航定位的精度和鲁棒性,比传统的视觉里程计法或激光雷达里程表法更准确.     

全监督学习的图像语义分割方法研究进展

近年来,随着深度学习进入计算机视觉领域,各种深度学习图像语义分割方法相继出现,其中全监督学习方法的分割效果显著超过弱监督学习方法。将全监督学习的图像语义分割方法分为五类,并对各类中最具有代表性的方法进行详细分析,重点阐述各种方法核心部分的实现过程。对语义分割领域中的主流数据集进行归纳总结,介绍了性能算法指标,并在主流数据集上对各种代表性方法的效果进行对比,最后对语义分割的未来进行展望。     

基于机器视觉的多孔材料缺陷检测

针对多孔材料在生产工艺中易出现阻塞和缺角等缺陷,本文设计了一种基于机器视觉的多孔材料表面缺陷检测方法,通过对目标区域的有效分割、模糊度检测、形态学处理和分析等技术手段,实现了该类材料的表面缺陷的快速定位和特征分析.经实验检测,本文算法的准确性和检测效率可以满足工业生产实时检测需求.     

基于深度学习的围栏跨越行为检测方法

在作业现场的安全管理中,对于非施工人员围栏跨越的监管一直是必不可少的.但目前施工场地普遍存在作业面广、施工人员管理困难等问题,导致人工监察的方式效率低下.而基于视频的人体行为检测技术作为计算机视觉领域重要的研究热点,在公共安全监控方面有着广泛应用.因此针对传统人工监察的不足,结合当前计算机视觉技术,提出一种智能化的围栏跨越违规检测与识别方法.该方法通过监控不断获取视频帧,以视频帧组成的剪辑作为输入,使用三维卷积和二维卷积分别提取时序和空间特征,将两部分特征融合后进行分类和边界框回归.最后通过设置对比试验以验证此方法效果,实验结果表明,该方法具有一定的泛化性.     

Autoencoder-based anomaly detection for surface defect inspection

In this paper, the unsupervised autoencoder learning for automated defect detection in manufacturing is evaluated, where only the defect-free samples are required for the model training. The loss function of a Convolutional Autoencoder (CAE) model only aims at minimizing the reconstruction errors, and makes the representative features widely spread. The proposed CAE in this study incorporates a regularization that improves the feature distribution of defect-free samples within a tight range. It makes the representative feature vectors of all training samples as close as possible to the mean feature vector so that a defect sample in the evaluation stage can generate a distinct distance from the trained center of defect-free samples. The proposed CAE model with regularizations has been tested on a variety of material surfaces, including textural and patterned surfaces in images. The experimental results reveal that the proposed CAE with regularizations significantly outperforms the conventional CAE for defect detection applications in the industry.     

智能农业除草机器人研究现状与趋势分析

智能农业除草机器人融合了环境分析、路径导航、视觉识别和运动控制等多种技术,是应用于精准农业中除草作业的智能机器人系统,作为农业机械化研究的热点备受国内外学者关注;对除草机器人的国内外研究现状进行了梳理,进一步分析了除草机器人的特点与优势;总结了除草机器人系统控制、移动导航和机器视觉等关键技术的研究进展,指出关键技术的发展前景与空间;结合除草机器人的技术研究特点与市场环境分析了其未来发展趋势;针对目前除草机器人存在的问题提出解决思路与研究方法,为除草机器人智能化、自动化和集成化发展研究提供理论参考.